СИНТЕЗ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРИРОДНО-ЭКОНОМИЧЕСКОЙ СИСТЕМЫ, ЕЕ ИСПОЛЬЗОВАНИЕ ДЛЯ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ В ЗЕРНОВОМ ПРОИЗВОДСТВЕ (ЧАСТЬ 3 – ПРОГНОЗИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЙ)

6
УДК 347
UDC 347
СИНТЕЗ СИСТЕМНО-КОГНИТИВНОИ SYNTHESIS OF SYSTEM-COGNOTIVE
МОДЕЛИ ПРИРОДНО-ЭКОНОМИЧЕСКОЙ MODELS OF A NATURAL-ECONOMIC
СИСТЕМЫ, ЕЕ ИСПОЛЬЗОВАНИЕ ДЛЯ SYSTEM, ITS USE FOR FORECASTING AND
ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ В MANAGEMENT IN GRAIN PRODUCTION (4
ЗЕРНОВОМ ПРОИЗВОДСТВЕ (4 часть - part - the research of the object of simulation
исследование объекта моделирования путем through the study of its model)
исследования его модели)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, уго{\иЫепко(д).1гта1\. сот
Lutsenko Evgeny Veniaminovich
Dr.Sci.Econ., Cand.Tech.Sci., professor
Kuban State Agrarian University, Krasnodar, Russia
Горпинченко Ксения Николаевна к.э.н., доцент
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, кнЫащ®.mail.ni
Gorpinchenko Ksenia Nikolaevna, assistant professor
Kuban State Agrarian University, Krasnodar, Russia, kubkns(a\mail. ru
Проведено исследование системно-когнитивной In this article, the authors have conducted a survey of
модели для прогнозирования и поддержки the system-cognitive model for forecasting and support
принятия управленческих решений по выбору of decision-making of the choice of agricultural
агротехнологий производства зерна, technologies in the production of grain, providing the
обеспечивающих с высокой вероятностью desired economic, energetic, financial and economic
желаемый хозяйственный, энергетический, results with high probability
финансово-экономический результат
КЛАСТЕРНО-КОНСТРУКТИВНЫЙ АНАЛИЗ, КЛАСС, ФАКТОР, НЕЛОКАЛЬНЫЙ НЕЙРОН, ЗЕРНО
Ключевые слова:
Keywords: CLUSTER AND CONSTRUCTIVE ANALYSIS, CLASS, FACTOR, NON- LOCAL NEURON, GRAIN
Данная статья является продолжением работ [4-6] и посвящена решению исследованию моделируемой системы путем исследования ее ранее созданных моделей.
Кластерно-конструктивный анализ классов и факторов
Кластерно-конструктивный анализ - это математический метод анализа данных, обеспечивающий: выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры; выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами; выявление факторов, наиболее сходных по детерминируемыми классам и объединение их в кластеры; выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, остальные кластеры включаются в конструкты в качестве промежуточных между полюсами [3].
Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в графической форме семантической сети классов.
В результате работы режимов кластерно-конструктивного анализа системы «Эйдос» формируются матрицы сходства классов и значений факторов и семантические сети. На рисунке 1 представлена семантическая сеть, отображающая степень
сходства классов по системе детерминирующих их значений факторов.
И ЧИСТОЙ ЭФФЕК ?ЛЗ«, '.ЙИЙ
>
Отношения схоОстЙа:
различия:
Сила связи - толщина линии
К-Т ЧИСТОЙ ЭФФЕК
т1®юст-+ч-«.й !!«*, Н.4ОД
7>
К-Т ЧИСТОЙ 5'5'1'ЕК ТПВН0СТН-1.Ч4J.M
урошййность, ilt
Ш^-^Я.ЗИЙМ
ЗЙ.М50й|3
УРОЖНОСТЬ. п/г
й^-эд ьэми
УР01ИЙЙН0СТ&, LLT Й-в/4-(|1.7И0» . 5*.Я75Ив0>
УРОМйНОСТЬ. М яч^-а1Л5йМ0 . :?.10й№0в}
УРОВЕНЬ РЕНТЙЕЕНЬ Н0СТ1< (ЙЫТОЧНШ
и; м^-заш
1820, Н.13И5Б9>
УРОВЕНЬ РЕНТЙЕЕ|1Ь
ностн («юдевст №
Ш, 53 352^3^'=:^
УРОВЕНЬ РЕНТЙЕЕАЬ НОСТМ (У^ЫТОЧНОСТ И) M4-<St.35i 63!1 102
УРОВЕНЬ PEHTriSEilb ШН УБЫТОЧНО:"
и). z-iM-mtst
tfW; Цб.31Р353
ПРПРЙЩЕНИЕ ЭНЕРГ ИИ, ГАШ/Гй-^-а
а.едок, йш
S7500}
Copyright (с) Scientific 8 industrial enterprise AIDOS, Russia, 1981-2001. Russian Patent No 940217. fill lights Reserued.
2D - СЕМАНТИЧЕСКАЯ СЕТЬ КЛАССОВ
Рисунок 1 - Семантическая сеть классов
Из рисунка 1 видно, что низкая урожайность имеет высокую степень сходства с низким значением чистой эффективности и низким уровнем рентабельности. В то же время высокая урожайность имеет высокую степень различия с минимальным значением коэффициента чистой эффективности.
CopyRight (с) Scientific 8. industrial enterprise AIDOS, Russia, 1981-1997. Russian Patent No 940217. All Rights Reserued.
2D - СЕМАНТИЧЕСКАЯ СЕТЬ ПРИЗНАКОВ
СОД. ВЛЙГИ 8 СЛОЕ ПОЧВЫ 0-169 СМ
№ п-д тлям СП Ь1., ни
3/4-<120 .0500000, 158.8750906)
СО* MWU В СЛОЕ
почвы 0-200 см Н* П-Д КС. БЕГ.г
мн
VA-im. 0600663, 3* 7^0669)
ПРЕДШЕСТВЕННИК
^ак?рназ свекпи
СОД. ВЛЯГИ Б СГ10Е ТОЧВИ в-И* СП Hfi Г!-а ЕЬЮАй В Th'IziEKLH, мм ttW-iiB .3369666, 1+5 .3150000)
СОД-Е БЛЯГИ Б СП ст павы 6-19 си НЙ ПЕРИОД СЕБЯ, ММ
3/4-<12.2009000, Г .9590059)
СОД. БЛЯГИ Б СЛОЕ ПОМБЫ 0-100 СМ НЯ IV Д ЯШЙ Б
трубка, мм
А/А-'ЛА'} 5159900,
J98.7696996)
СОД. МИН. ЯЗОТЙ Б РВЕ В VRU БЫ К. РЙС1. | ТРУБКУ
, мг/кг
A/A-i2A .9259969, ».8009965:
СОД. БПЯГИ В СЛОЕ ГК1Ч*Ы 9-299 СМ НЙ ПЕРЩД ЛЕЙ, М М
№№<135 .7500099, 228.3759999)
СОД. ВЛАГИ Б СЛОЕ П0Ч1Ы 9-30 СГ Н Я П-Д «СНЫ I I РУБКУ, ™
3/4-<39 S596099. 54.1750999*
СОД-Е КЙЛИЯ В 9-30 СМ СЙЙЕ П0ЧБЫ ЦЙ НЯЧ.С ВЕС. EF Г., МГ/КГ 2/4-H42 .5066999, 115 .000Й0Й>
ПРЕДШЕСТВЕННИК
го™
зйтряты ня удобр:
ШИ, СУБ.Лй
1.-Ч-<553 .7520000, 3<if9 .4470«0>
Огноиения схобстЙа:
различия:
Сила сЙязи - толщина линии
Рисунок 2 - Семантическая сеть признаков
Рисунок 2 свидетельствует о сходстве (различии) по силе и направлению влияния факторов на поведение объекта управления (природно-экономической системы). Так, предшественник горох имеет высокую степень сходства с минимальными затратами на удобрения, высоким содержанием влаги в почве.
Содержательное сравнение классов и факторов
Учитывая, что семантические сети классов и признаков отображают только сходство и различие, но при этом структура каждой связи содержательно не раскрывается.
Содержательное сравнение классов и факторов осуществляется с помощью когнитивной диаграммы, которая показывает какие значения и какой вклад вносят в сходство-различие классов и факторов.
Когнитивные диаграммы представляет собой графическое изображение обобщенного коэффициента корреляции профилей классов (или факторов), при этом каждая линия, вносящая вклад в сходство (различие) соответствует одному слагаемому, ее цвет - знаку, а толщина - модулю этого слагаемого.
Copy Right (с) Scientific й n^da^trtail enter prise AI3№S, Russia, 1331-20О1 Russian Patent Ho 34021V. Oil rights Reserued.
КОГНИТИВНЫЕ ДИАГРАММЫ КЛАССОВ РАСПОЗНАВАНИЯi
[281-УРОВЕНЬ РЕНТАБЕЛЬНОСТИ (УБЫТОЧН
ш
л
с
с
з
1
А
I
ГС
3
а
Гг
НаименоЬ.признакоо:
ПРЕДШ1ГТРЕИНМК
ЭСПЭРЦ.еТ
ЗАТРАТЫ СОВОКУПНОЙ ЭНЕРГИИ.. Г A Hi /Гй
1/4-<14 .1000000. 19 .2ОО0000>
СР. ТЕМП. НЙ ПЕРИОД БЕС .-ЛЕТНЕЙ БЕГ... С
4/4 "<17 .1000000 .- 17 .5000000)*
СР. ТЕМП. ЗЙ П-Д ОТ КОЛОШЕНИЯ АО СОЗРЕВАНИЯ
3/4-<20 .950О000, 21.47500О0>
СОА. ВЛАГИ Б СЛОЕ ПиЧБЫ 0-30 СМ
Нн П-А ВЕС. БЕГ... ММ
4/4 -<72 .250О000 - 94 .70О00О0>
СОА. ВЛАГИ В СЛОЕ ПШЧБЫ 0-100 С
М Нн П-А СЕВА, ММ
1/4-<10 .5000000, 62 .5000000)*
СОА. МИН.О АЗОТА Б ПОЧВЕ НЙ НЙЧЙ
ЛО ВЕС. ВЕГ .И, МГ/КГ
1/4-<6 .2000000.. 12 .2500000;:-
СР. ТЕМП. НЙ ПЕРИША ОСЕН. BI ЙИИИ, С
4/4 "<12 .6500000 - 13 .6000000)*
Признаки: 1-191
K0R=50.98x
[48]-0КУПАЕМ0СТЬ УДОБРЕНИЙ ЗЕРНО Наименой.признакой:
Отношения схобст&а:
АОЗн УДОБРЕНИЙ средняя аоза НК
СОА. МИН. ЙЗОТЙ Б ПОЧБЕ Б ФЙЗУ КОЛОШ., МГ.-'КГ
4/4-<17 .2750000, 22 .ООООООО)*
ПРЕДШЕСТВЕННИК
эспарцет
СОА. МИН.О ЙЗОТЙ Б ПОЧБЕ НЙ НЙЧЙ
ЛО ВЕС. ВЕГ .И, МГ/КГ
3/4“<18 .3000000, 24 .3500000)
СОА. ВЛЙГИ Б СЛОЕ ПШЧБЫ О-100 С
М НЙ П-А ВЕС. БЕГ... ММ
2/4-<104 .0000000, 177 .1000000)-
СР. ТЕМП. НЙ ПЕРИША ШСЕН. БЕГЕТ ЙИИИ, с
1/4 -<9 .8000000 .. 10 .7500000)*
СР. ТЕМП. Зй П-А ШТ КШгЮШЕНИЯ АО СШЗРЕВЙНИЯ
2/4-<20 .425О000, 20 .950О00О>
США. ВЛЙГИ Б СЛШЕ ПШЧБЫ Ш-30 СМ
НЙ П-А ВЕС. БЕГ... ММ
4/4-<72 .2500000, 94 .7О0000О>
Признаки: 1-141
различия:
Силе с&язи - толщина линии
Рисунок 3 - Когнитивная диаграмма двух классов: «Уровень рентабельности, % - 4/4» и «Окупаемость удобрений зерном - 4/4»
Рассматривая когнитивную диаграмму двух классов (Уровень рентабельности, %-4/4 и окупаемость удобрений зерном- 4/4) на рисунке 3, видно, что основной вклад в сходство этих двух состояний вносит предшественник эспарцет. Но на этом их сходство заканчивается.
Если сравнивать когнитивные диаграммы максимальных значений урожайности и коэффициента чистой эффективности (рисунок 4), при этом исключив природные факторы, то данные состояния сходны по предшественнику
Copy Right (с) Scientific й n^da^trtal enter prise AI3№S, Russia, 1331-20О1 Russian Patent Ho 34021V. Oil rights Reserued.
КОГНИТИВНЫЕ ДИАГРАММЫ КЛАССОВ РАСПОЗНАВАНИЯi
[41-yPQKАИНОС ТЬ, Ц/ГА-4^4- {65.4750000 Наимсно&.при знаков:
з
ь
и
5
I
Q.
Ш
ь
ш
я
а
к
я
я
з
а
я
tf
й
Ю
Я
0 с
1 X |П I
0
1
II
с
ПРЕДШЕСТВЕННИК
эспарцет
АОЗЙ УАШБРЕНИй повышенная аоза NPK
ПРЕДШЕСТВЕННИК
горок
ПРЕДШЕСТВЕННИК
санарная свекла
АОЗЙ УДОБРЕНИЙ минимальная аоза НРК
ПРЕДШЕСТВЕННИК
кукуруза на зерно
АОЗЙ УДОБРЕНИЙ среаняя Е<оза НК
АОЗЙ УДОБРЕНИЙ неуаобренный
Признаки: 1-15
Отношения схобстба:
Коп=1 Кпп=5 1=0 .35Bit
I =6.07;-:
К0П=2 КПП=9 1=0 .29Bit 1=5 .11/
Коп=1 Кпп=1 1=0 .25Bit 1=4.44;-:
Коп=1 КПП=4 I = —0 .31Bit I = -5.45;*:
Коп=2 КПП=7 I = - 0 ,37BiT i=-6.47;*:
КОП=1 Кпп=2 I = - 0 .50Bit i=-8.7o;*:
Коп=2 Кпп=10 I = —0 .50Bit 1 = -8.77 У.
К0П=2 КПП=8 I = —0 .96BiT I = -16 .92/
Г363-К-Г ЧИСТОЙ ЭФФЕКТИВНОСТИ-4^ K0Ri-33.04/< Наимено&.признакой;
различия:
КОП=2 КПП=7 1=0 .75BiT 1=13 .21/
Коп=1 Кпп=1 1=0 .63Bit I =10 .99/
Коп=2 Кпп=13 1=0 .44Bit 1=7 .67/
Коп=3 КПП=14 1=0 .13Bit I =2 .20/
Коп=3 КПП=15 I = - 0 .19Bit 1 = -3 .35/
АОЗЙ УДОБРЕНИЙ минимальная аоза НРК
ПРЕДШЕСТВЕННИК
горок
АОЗн УДОБРЕНИЙ среаняя аоза РК
СЕВООБОРОТ
зернопропашный
СЕВООБОРОТ
Зернотравянопропашный
Признаки: 1-15
Сила сбязи - толщина линии
Рисунок 4 - Когнитивная диаграмма двух классов: «Урожайность, % - 4/4» и «Коэффициент чистой эффективности -
Когнитивная диаграмма (рисунок 5) содержательно отображает в графической форме сходство и различия двух признаков. Так, внесении предшественников горох и эспарцет детерминируют получение высоких значений чистого дохода на 1 га, уровня рентабельности, коэффициента энергетический эффективности.
CopuRight (с) Scientific 8 industrial enterprise AIDOS, Russia, 1981-2001. Russian Patent Ho 940217. All mghts Reserued.
КОГНИТИВНЫЕ ДИАГРАММЫ признаков:
!i]-ПРЕДШЕСТВЕННИК [1 ]-ПРЕДШЕСТВЕННИК
[11T0PGH [51-ЭСПЙРИЕТ
Рисунок 5 - Когнитивная диаграмма признаков: «Предшественник горох» и «Предшественник эспарцет»
Наиболее значимые коэффициенты корреляции получены между урожайностью и чистым доходом на 1 га, урожайностью и приращением энергии, показателями качества и стоимостью зерна, чистым доходом и приращением энергии. Касательно признаков - между предшественниками горох, эспарцет и максимальным содержанием влаги на период сева, содержанием фосфора, калия, азота в фазу колошения
Нелокальные нейроны и интерпретируемые нейронные сети
Изучение системы детерминации состояний моделируемого объекта возможно на основе построения нелокальных нейронов и интерпретируемых нейронных сетей.
______Таблица 1 - Модели нелокальных нейронов___________________________
Наименование Модель нелокального нейрона
нейрона
Содержание клейковины, % - 4/4 -(25,9-30,4)
CopuRight (с) Scientific ft industrial enterprise AIDOS, Russia, 1373-2003. Russian Patent Mo 940217. All Rights Reserued.
2D - МОДЕЛЬ НЕЛОКАЛЬНОГО НЕЙРОНА:
[121 - СОДЕРЖАНИЕ КЛЕЙКОВИНЫ,/.-4/4-{25.90000О0, 30.4О0О000>
|Возбужбвние: Торможение: | |Вес с&язи - толщина линии
Нелокальный нейрон представляет собой будущее состояние объекта управления с изображением наиболее сильно влияющих на него факторов с указанием силы и направления (способствует-препятствует) их влияния [3]. Некоторые нелокальные нейроны представлены в таблице 1. Так, из модели нейрона: «содержание клейковины - 4/4 - (25,9; 30,4)» видно, что для получения зерна с высоким содержанием клейковины большое влияние оказывают природные факторы: незначительное количество осадков на период осенней вегетации (124-165 мм); хорошо увлаженный слой почвы 0-10 см на период колошения (31,4-28,5 мм): достаточно высокое содержание минерального азота в фазу колошения и полной спелости. В то же время препятствует этому состоянию - большое количество осадков на период сева, высокий температурный режим.
Для наибольшего значения окупаемости удобрений зерном с большой силой влияния способствует средняя доза удобрений №С, предшественник эспарцет, значительное содержание питательных веществ (калия и азота) в фазу колошения и выхода растений в трубку, низкие производственные затраты.
Модель нелокального нейрона: «коэффициент отношения полученной и затраченной энергии - 4/4» свидетельствует о том, что получение максимального значения данного показателя возможно, если в качестве предшественника использовать горох, при минимальных дозах удобрений КРК, хорошо увлажненном слое почвы 0-100 см в период полной спелости и выхода растений в трубку, небольшом содержании калия в почве в период весенней вегетации и выхода растения в трубку.
Нейронная сеть представляет собой совокупность взаимосвязанных нейронов. В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях - на основе общего информационного поля, реализуемого семантической информационной моделью.
Система «Эйдос» обеспечивает визуализацию любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня
Возбуждение:
Торможение:
Вес сбязи - толщина линии, показаны =>8
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 1979-2003. Russian Patent No 940217. All Rights Reserued.
ПАРЕТТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ Отображено 15.48Х значимых синаптических сбязей. Задание N 1
<= КОДЫ НЕЙРОНОВ: U, 0} =>
<= КОДЫ РЕЦЕПТОРОВ: U, 191} =>
Рисунок 6 - Паретто-подмножество нелокальной нейронной сети
На рисунке 6 отражено паретто-подмножество нелокальной нейронной сети урожайности и содержания белка в зерне. Минимальная урожайность зерна имеет высокую степень сходства с низким содержанием азота на начало весенней вегетации, низкими производственным затратами, неудобренным вариантом.
Когнитивные функции
Когнитивные функции или функции влияния представляет собой график зависимости вероятностей перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора [1,2].
Если взять несколько информационных портретов факторов, соответствующих градациям одной описательной шкалы, отфильтровать их по диапазону градаций некоторой классификационной шкалы и взять из каждого информационного портрета по одному состоянию, на переход в которое объекта управления данная градация фактора оказывает наибольшее влияние, то мы и получим зависимость, отражающую вероятность перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора, т.е. функцию влияния. Функции влияния являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой «Эйдос». Необходимо отметить, что на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и нелинейные.
На основании анализа функций влияния, приведенных в таблице 2, можно сделать общий вывод о том, что увеличение доз удобрений положительно сказывается на повышении показателей природно-экономической системы. Так, наибольшее значение урожайности, содержания клейковины, чистого дохода на 1 га отмечено при повышенных и высоких дозах КРК.
Достаточно большое влияние на изменение урожайности оказали предшественники озимая пшеница, эспарцет, на содержание клейковины - сахарная свекла и эспарцет, на чистый доход на 1 га и коэффициент полученной и затраченной энергии - кукуруза на зерно.
Этот вывод совпадает с экспертными оценками. Однако его ценность состоит в том, что в отличие от экспертных оценок, он является строгим количественным выводом, сделанным путем исследования многоуровневой семантической
Таблица 2 - Функции влияния некоторых признаков на природно-экономическую систему
Содержание
клейковины,
Показатель природно-экономич еской системы ______(класс)______
Функция влияния
Различных доз удобрений
Предшественников
Урожайность, ц/га
Продолжение таблицы 2
Показатель природно-экономи ческой системы ______(класс)_____
Функция влияния
Различных доз удобрений
Предшественников
Чистый доход на 1 га, руб.
Коэффициент
чистой
энергетической
эффективности
созданной с использованием большого объема эмпирической информации.
Исследование других когнитивных функций подтверждают выводы касательно информационных портретов классов.
Построение классических когнитивных моделей
Классические когнитивные карты являются графической формой представления фрагментов СИМ, объединяющей достоинства таких форм, как нейроны и семантические сети факторов. Классическая когнитивная карта представляет собой нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых соответствует фактору в определенной степени способствующему или препятствующему переходу объекта в это состояние. Рецепторы соединены связями как с нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, - сходство и различие между рецепторами по характеру их влияния на объект управления.
Таким образом, классическая когнитивная карта представляет собой нейрон с семантической сетью факторов, изображенные на одной диаграмме (рисунок 7). Из рисунка 7 видно, что средняя доза №С, минимальные производственные затраты и затраты на удобрения, минимальное содержание фосфатов в фазу выхода растений в трубку способствуют переходу объекта управления в состояние наибольшей окупаемости удобрений зерном и препятствуют ему - минимальное содержание азота на начало весенней вегетации, высокий температурный режим в течение года.
связь >0:
- связь <0:
Вес связи - толщина линии, показаны =>4
CopuRight (с) Scientific & industrial enterprise AIDDS, Russia, 1979-2007. Russian Patent Mo 940217. All Rights Reserued. ИНТЕГРАЛЬНАЯ КОГНИТИВНАЯ КАРТА: ЗАДАНИЕ N 48 ( СЕМАНТИЧЕСКИЕ СЕТИ НЕЙРОНОВ И РЕЦЕПТОРОВ С НЕЙРОННОЙ СЕТЬЮ ) Семантическая сеть НЕЙРОНОВ: М<=1
Семантическая сеть
Рисунок 7 - Классическая когнитивная карта, отражающая систему детерминации класса: «Окупаемость удобрений зерном, кг/кг- 4/4»
Построение интегральных когнитивных моделей
Обобщенные когнитивные карты позволяют объединить в одной графической форме семантические сети классов и факторов, объединенных нейронной сетью. Если объединить несколько классических когнитивных карт на одной диаграмме и изобразить на ней также связи между нейронами в форме семантической сети классов, то получим обобщенную (интегральную) когнитивную карту.
Интегральная когнитивная карта представляет собой систему из семантических сетей классов и значений факторов, при которой каждый класс соединен как нелокальный нейрон линиями детерминации с системой детерминирующих его значений факторов.
связь >0:
- связь <0:
Вес связи - толщина линии, показаны =>10
CopuRight СсЭ Scientific & industrial enterprise AIDOS, Russia, 1979-2007. Russian Patent No 940217. All Rights Reserued. ИНТЕГРАЛЬНАЯ КОГНИТИВНАЯ КАРТА: ЗАДАНИЕ N 10 ( СЕМАНТИЧЕСКИЕ СЕТИ НЕЙРОНОВ И РЕЦЕПТОРОВ С НЕЙРОННОЙ СЕТЬЮ ) Семантическая сеть НЕЙРОНОВ: N<=4
Семантическая сеть
Рисунок 8 - Интегральная когнитивная карта № 20
На рисунке 8, согласно кодировке классов и признаков, видно, что переход объекта управления в состояние соответствующее достаточно высоким значениям уровня рентабельности, стоимости зерна, обуславливают предшественники эспарцет и горох, минимальные затраты на удобрения. Препятствует данному состоянию -зернопропашной севооборот.
Максимальному содержанию белка в зерна, который в свою очередь имеет высокий уровень сходства с уровнем рентабельности от 58 до 102%, способствует зернотравянопропашный севооборот и препятствует незначительные затраты на удобрения.
связь >0:
- связь <0:
Вес связи - толщина линии, показаны =>10
CopuRight (с) Scientific 8 industrial enterprise AID0S, Russia, 1979-2007. Russian Patent No 940217. All Rights Reserued. ИНТЕГРАЛЬНАЯ КОГНИТИВНАЯ КАРТА: ЗАДАНИЕ N 46 ( СЕМАНТИЧЕСКИЕ СЕТИ НЕЙРОНОВ И РЕЦЕПТОРОВ С НЕЙРОННОЙ СЕТЬЮ ) Семантическая сеть НЕЙРОНОВ: N<=4
Семантическая сеть
Рисунок 9- Интегральная когнитивная карта № 46
В то же время, согласно интегральной когнитивной карте № 46 (рисунок 9), переход в состояние высокого содержание белка в зерне обуславливают: хорошо увлажненный (72-94 мм) слой почвы на период весенней вегетации;
6
минимальное количество осадков на период от колошение до созревания; незначительной содержание азота в почве в фазу выхода растений в трубку (10,5-17,2 мг/кг); незначительное содержание влаги в слое почвы 0-30 см на период полной спелости (29-41 мм). Препятствует - сильно увлажненная почва на период колошения, большое количество осадков на период весенне-летней вегетации, высокий температурный режим.
Заключение
В работе решены задачи идентификации, прогнозирования, поддержки принятия управленческих решений и исследования системно-когнитивной модели, согласно этапам, отраженные в первой части статьи.
С использованием метода и инструментария системно-когнитивного анализа [7, 8, 9] предложены методика прогнозирования и принятия управленческих решений по выбору агротехнологий производства зерна озимой пшеницы, с высокой вероятностью (верификация данной модели определило ее высокую адекватность) обеспечивающая желаемый хозяйственный и финансово-экономический результат.
При этом в созданных моделях впервые в отечественной науке исследовано влияние на хозяйственные, энергетические и финансово-экономические результаты всех видов факторов, влияющих на эти результаты: природных, агротехнологических, энергетических и финансово-экономических.
Представленные в статьях выводы и предлагаемые на основе моделей рекомендации, совпадают с мнениями экспертов, но в отличие от последних, имеет количественное выражение. В то же время они могут отличаться в деталях для разных хозяйств и регионов. СК-анализ позволяет уточнять эти знания, внося локальные особенности, а также учитывать изменения, происходящие в динамике.
Литература
1. Луценко, Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей /Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №09(63). С. 1 - 231.
2. Луценко, Е.В. Метод визуализации когнитивных функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(67). С. 240 - 282.
3. Луценко, Е. В. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание) / Е. В. Луценко, В. И. Лойко, Л. О. Великанова. - Краснодар: КубГАУ, 2008. - 257 с.
4. Луценко Е.В. Синтез системно-когнитивной модели природно-экономической системы и ее использование для прогнозирования и управления в зерновом производстве (Часть 1 - постановка задачи) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 1280 - 1293. - IDA [article ID]: 0891305089. - Режим доступа: http://ej.kubagro.ru/2013/05/pdf/89.pdf, 0,875 у.п.л., импакт- фактор РИНЦ=0,581
5. Луценко Е.В. Синтез системно-когнитивной модели природно-экономической системы и ее использование для прогнозирования и управления в зерновом производстве (Часть 2 - преобразование эмпирических данных в информацию) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 1294 - 1312. - ША [article ID]: 0891305090. - Режим доступа: http://ej.kubagro.ru/2013/05/pdf/90.pdf, 1,188 у.п.л., импакт-фактор РИНЦ=0,581
6. Луценко Е.В. Синтез системно-когнитивной модели природно-экономической системы, ее использование для прогнозирования и управления в зерновом производстве (Часть 3 - прогнозирование и принятие решений) / Е.В. Луценко, К.Н. Горпинченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс].
- Краснодар: КубГАУ, 2013. - №06(090). - IDA [article ID]: 0901306059. - Режим доступа: http://ej.kubagro.ru/2013/06/pdf/59.pdf, 0,625 у.п.л., импакт- фактор РИНЦ=0,581
7. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко приметаемых и развивающихся и в настоящее время /Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 -77. - Шифр Информрегистра: 0420900012\0110, ГОА [article ГО]: 0540910004. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л., импакт- фактор РИНЦ=0,581
8. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - ГОА [article ГО]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л., импакт-фактор РИНЦ=0,581
9. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и
6
возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - ША [article ГО]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л., импакт-фактор РИНЦ=0,581
References
1. Lucenko, E.V. Kognitivnye funkcii kak adekvatnyj instrument dlja formal'nogo predstavlenija prichinno-sledstvennyh zavisimostej / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhumal Kubanskogo gosudar-stvennogo agramogo universiteta (Nauchnyj zhumal KubGAU) [Jelektronnyj re-surs], - Krasnodar: KubGAU, 2010. -№09(63). S. 1-231.
2. Lucenko, E.V. Metod vizualizacii kognitivnyh funkcij - novyj inst-rument issledovanija jempiricheskih dannyh bol'shoj razmernosti / E.V. Lucenko, A.P. Trunev, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs], - Krasnodar: KubGAU, 2011. - №03(67). S. 240 - 282.
3. Lucenko, E. V. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe iz-danie) / E. V. Lucenko, V. I. Lojko, L. O. Velikanova. - Krasnodar: KubGAU, 2008. - 257 s.
4. Lucenko E.V. Sintez sistemno-kognitivnoj modeli prirodno-jekonomicheskoj sistemy i ee ispol'zovanie dlja prognozirovanija i upravlenija v zernovom proizvodstve (Chast1 1 - postanovka zadachi) / E.V. Lucenko, K.N. Gor-pinchenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektron-nyj resurs], - Krasnodar: KubGAU, 2013. - №05(089). S. 1280- 1293. - IDA [article ID]: 0891305089. -Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/89.pdf, 0,875 u.p.l., impakt-faktor RINC=0,581
5. Lucenko E.V. Sintez sistemno-kognitivnoj modeli prirodno-jekonomicheskoj sistemy i ee ispol'zovanie dlja prognozirovanija i upravlenija v zernovom proizvodstve (Chast1 2 - preobrazovanie jempiricheskih dannyh v in-formaciju) / E.V. Lucenko, K.N. Gorpinchenko // Politematicheskij setevoj jelek-tronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs], - Krasnodar: KubGAU, 2013. - №05(089). S. 1294 - 1312. - IDA [article ID]: 0891305090. - Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/90.pdf, 1,188 u.p.l., impakt-faktor RINC=0,581
6. Lucenko E.V. Sintez sistemno-kognitivnoj modeli prirodno-jekonomicheskoj sistemy, ee ispol'zovanie dlja prognozirovanija i upravlenija v zernovom proizvodstve (Chast' 3 - prognozirovanie i prinjatie reshenij) / E.V. Lucenko, K.N. Gorpinchenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs], - Krasnodar: KubGAU, 2013.
- №06(090). - IDA [article ID]: 0901306059. - Rezhim dostupa: http://ej.kubagro.ru/2013/06/pdf/59.pdf, 0,625 u.p.l., impakt-faktor RINC=0,581
7. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestven-nyh universal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nastojashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhumal Kubanskogo gosudarstvennogo agramogo universi-teta (Nauchnyj zhumal KubGAU) [Jelektronnyj resurs], - Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l., impakt-faktor RINC=0,581
8. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jej-dos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs], - Krasnodar: KubGAU, 2012.
- №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. - Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l., impakt-faktor RINC=0,581
9. Lucenko E.V. Teoreticheskie osnovy, tehnologij a i instrumentarij av-tomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primene-nija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudar-stvennogo agramogo universiteta (Nauchnyj zhumal KubGAU) [Jelektronnyj re-surs], - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l., impakt-faktor RINC=0,581